Fugu-MT 論文翻訳(概要): Conformal Methods for Quantifying Uncertainty in Spatiotemporal Data: A Survey

論文の概要: Conformal Methods for Quantifying Uncertainty in Spatiotemporal Data: A Survey

arxiv url: http://arxiv.org/abs/2209.03580v1
Date: Thu, 8 Sep 2022 06:08:48 GMT
ステータス: 処理完了
システム内更新日: 2022-09-09 13:01:34.311553
Title: Conformal Methods for Quantifying Uncertainty in Spatiotemporal Data: A Survey
Title（参考訳）: 時空間データにおける不確かさの定量化のための共形法:調査
Authors: Sophia Sun
Abstract要約: 高リスク環境では、モデルが自身の信頼を反映し、失敗を避けるために不確実性を生み出すことが重要である。本稿では, ディープラーニングにおける不確実性(UQ)に関する最近の研究, 特に, 数学的, 広範に適用可能な分布自由な等角予測法について調査する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning methods are increasingly widely used in high-risk settings such as healthcare, transportation, and finance. In these settings, it is important that a model produces calibrated uncertainty to reflect its own confidence and avoid failures. In this paper we survey recent works on uncertainty quantification (UQ) for deep learning, in particular distribution-free Conformal Prediction method for its mathematical properties and wide applicability. We will cover the theoretical guarantees of conformal methods, introduce techniques that improve calibration and efficiency for UQ in the context of spatiotemporal data, and discuss the role of UQ in the context of safe decision making.
Abstract（参考訳）: 機械学習の手法は、医療、交通、金融といったリスクの高い環境で広く使われている。これらの設定では、モデルが自身の信頼を反映し、失敗を避けるために校正の不確実性を生み出すことが重要です。本稿では,深層学習のための不確実性定量化(uq)に関する最近の研究,特にその数学的性質と幅広い適用性に対する分布自由共形予測法について検討する。提案手法の理論的保証を網羅し、時空間データの文脈におけるUQの校正と効率を改善する手法を導入し、安全な意思決定の文脈におけるUQの役割について議論する。

関連論文リスト

Legitimate ground-truth-free metrics for deep uncertainty classification scoring [3.9599054392856483]
製造における不確実性定量化(UQ)手法の使用は依然として限られている。この制限は、UQ基底真理を欠いたUQ手法を検証するという課題によってさらに悪化する。本稿では,これらの指標を考察し,理論的に良好であり,実際に不確実な基礎的真理に結びついていることを証明する。
論文参考訳（メタデータ） (2024-10-30T14:14:32Z)
ConU: Conformal Uncertainty in Large Language Models with Correctness Coverage Guarantees [68.33498595506941]
自己整合性理論に基づく新しい不確実性尺度を導入する。次に,CPアルゴリズムに正当性に整合した不確かさ条件を組み込むことにより,適合性不確かさの基準を策定する。実証的な評価は、我々の不確実性測定が過去の最先端手法よりも優れていることを示している。
論文参考訳（メタデータ） (2024-06-29T17:33:07Z)
Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文参考訳（メタデータ） (2024-02-13T11:22:59Z)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Calibration in Machine Learning Uncertainty Quantification: beyond consistency to target adaptivity [0.0]
この記事では、一貫性と適応性は相補的な検証対象であり、一貫性が良い適応性を意味するものではないことを示す。適応型バリデーション手法を提案し, 代表的な例を示す。
論文参考訳（メタデータ） (2023-09-12T13:58:04Z)
Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文参考訳（メタデータ） (2023-06-08T11:54:58Z)
Validation of uncertainty quantification metrics: a primer based on the consistency and adaptivity concepts [0.0]
この研究は、UQ検証の導入として考えられており、すべての方法がいくつかの基本的なルールから導出されている。これらの手法は、最近の物理化学機械学習UQ文献から抽出された合成データセットおよび代表例を用いて、図示し、検証する。
論文参考訳（メタデータ） (2023-03-13T15:13:03Z)
Uncertainty Estimation based on Geometric Separation [13.588210692213568]
機械学習では、特定の入力が正しい確率を正確に予測することがリスク管理に不可欠である。機械学習モデルにおける不確実性推定を改善するための新しい幾何学的アプローチを提案する。
論文参考訳（メタデータ） (2023-01-11T13:19:24Z)
Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文参考訳（メタデータ） (2021-05-25T14:35:46Z)
Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文参考訳（メタデータ） (2021-05-17T08:36:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。